标签：报错 tor sync 基于 example [1] 实现 tool 地址
接受任意数量参数的函数. 当传入函数的参数个数很多的时候，在函数定义的时候不需要为每一个参数定义一个变量，可以用*rest的方式来包含多余的参数。
如下面的代码，*rest包含了2,3,4这3个参数。且可以迭代访问。在这个例子中，rest其实就是其他位置参数组成的一个元组
def avg(first,*rest):
for i in rest:
print i
average=(first+sum(rest))/(1+len(rest))
print average
avg(1,2,3,4)
如果我们需要传递带关键字的参数：可以用下面的方法。当采用**attr的时候，attr其实是一个包含所有被传入进来的关键字参数的字典
def avg(first,**attr):
for item in attr.items():
print item,attr[item[0]]
avg(1,size=‘large‘,quantity=0)
得到的结果如下：
E:\python2.7.11\python.exe E:/py_prj/python_cookbook.py
(‘quantity‘, 0) 0
(‘size‘, ‘large‘) large
如果想强制让某些参数用关键字参数传递，可以将强制关键字参数放到*参数后面或者单个的*后面
Lambda:
在C语言中，对于一些短小的实现。可以不用函数而是写一个宏的方式来实现。
比如#define M(y) y*y+3*y 那么M(5)最终的结果就是5*5+3*5=40
在python中也有类似的实现，这就是lambada。代码如下，这就是实现了一个加法的lambda
add=lambda x,y:x+y
print add(3,4)
再来看下面的这个例子：
我们想对name中的名字按照姓来进行排序。在sorted中指定key值也就是排序的依据。在这里用lambda name:name.split()[-1].lower()的方式将每个名字的姓提取出来，然后在赋值给key
name=[‘David Beazley‘,‘Brains Jones‘,‘Raymond Hettinger‘,‘Ned Batchelder‘]
ret=sorted(name,key=lambda name:name.split()[-1].lower())
print ret
来看一个比较有意思的例子：
x=10
a=lambda y:y+x
x=20
b=lambda y:y+x
print a(10)
print b(10)
上面的代码a(10)和b(10)的值是多少，20和30？直观上是对的，但是实际上结果却是30和30. 为什么会这样呢。我们来单步运行下：
首先运行了a=lambda y:y+x 后，对应的x=10
在运行了b=lambda y:y+x后，对应的x=20
此时执行到print a(10)。这个时候跳转到a=lambda y:y+x 此时的x=20,因此a(10)就等于20+10=30
从这上面的例子可以看出，尽管我们在lambda之前定义了x的值。但是最终的值并不是定义的时候就绑定，而是在实际lambda运行时才开始绑定。而在lambda实际运行也就是print a(10)的时候，x的值已经被赋值成了20.
如果想让参数在lambda定义的时候就固定，需要在定义的时候就设置参数的值
a=lambda y,x=x:y+x
在lambda中设置x=x，这样就将x的值绑定成了10这个值。
这个在列表推导的时候特别容易出错。如下面的代码。我们期望得到的是0,1,2,3,4
fun=[lambda x:x+n for n in range(5)]
for f in fun:
print f(0)
但是最终的结果却是4,4,4,4,4. 原因和之前的一样，n在被调用的时候被为4。
改成如下代码，n的值就可以每次都被绑定了。
fun=[lambda x,n=n:x+n for n in range(5)]
partial使用：
如果函数的参数值太多，partial可以固定一个或多个参数的值，在调用的时候可以减少调用的参数个数。如下面的代码。固定d=3,在调用的时候只需要设置a,b,c的值
def spam(a,b,c,d):
print a,b,c,d
s1=partial(spam,d=3)
s1(0,1,2)
来看一个实际的例子，假设你有一个点的列表来表示(x,y)坐标元组。你可以使用下面的函数来实现
points=[(1,2),(3,4),(5,6),(7,6)]
def distance(p1,p2):
x1,y1=p1
x2,y2=p2
return math.hypot(x2-x1,y2-y1)
但是如果我们想计算到某个基点的距离，并基于这个距离来进行排序。该如何操作呢。之前我们讲了lambda的用法。我们可以用lambda来实现，代码如下
points=[(1,2),(3,4),(5,6),(7,6)]
pt=(4,3)
ret=sorted(points,key=lambda points: math.hypot(pt[0]-points[0],pt[1]-points[1]))
print ret
用lambda实现稍显冗余。Partial可以精简下代码。在这里我们将distance的第二个参数p2固定为pt。这样在调用的时候其实就不
ret=sorted(points,key=partial(distance,pt))
print ret
这样在调用的时候其实就是下面的样式：
distance((1,2),(4,3))
distance((3,4),(4,3))
distance((5,6),(4,3))
distance((7,6),(4,3))
回调函数：
回调函数在C语言中经常使用，简单来说就是将回调函数的指针地址作为参数传递一个函数，而那个函数在需要用到的时候利用传递的地址回调函数。这时就可以利用这个机会在回调函数中处理或者完成操作。
比如下面的C语言代码。printWelcome的地址传递给(*print)(int).在callback中就可以调用
void printWelcome(int len)
{
printf("welcome -- %d/n", len);
}
void callback(int times, void (* print_info)(int))
{
int i;
for (i = 0; i < times; ++i)
{
Print_info(i);
}
void main(void)
{
callback(10, printWelcome);
}
我们通俗点来说，回调函数就好比你去商店买了东西，但是没货，这个时候你留了电话号码给店员，等到有货的时候店员打电话给你让你取取货。你的电话号码就相当于回调函数。
来看下python中的回调函数如何用：
def apply_async(func,args,callback):
result=func(*args)
callback(result)
def print_result(result):
print result
def add(x,y):
return x+y
apply_async(add,(2,3),callback=print_result)
在apply_async中设置callback为print_result.当add加法运行完以后，则可以调用print_result来打印。
有人会问，这和写中间函数有什么区别呢：代码改成如下不也是一样，在appy_async中调用print_result不是一样的么
def apply_async(func,args):
result=func(*args)
print_result(result)
def print_result(result):
print result
def add(x,y):
return x+y
if __name__==‘__main__‘:
apply_async(add,(2,3))
确实这样写也是一样的效果，那么回调函数有什么好处呢？如果更新下我们的需求，在apply_async中我们还想打印出2个参数相减的结果。代码可以改成如下
def apply_async(func,func1,args):
result=func(*args)
print_result(result)
result1=func1(*args)
print_result(result1)
def print_result(result):
print result
def delete(x,y):
return x-y
def add(x,y):
return x+y
if __name__==‘__main__‘:
apply_async(add,delete,(2,3))
但是如果需求继续增加，我们还想打印乘法，除法，幂运算等各种运算结果呢。这个时候在apply_async中不是得传递各种函数参数。参数越写愈多，也越来越不好看。这个时候回调函数的优势就体现出来了。
def apply_async(func,args,callback):
result=func(*args)
callback(result)
def print_result(result):
print result
def delete(x,y):
return x-y
def add(x,y):
return x+y
if __name__==‘__main__‘:
apply_async(add,(2,3),callback=print_result)
apply_async(delete,(2,3),callback=print_result)
看到没，我只需要给apply_async的第一个参数传递不同的处理函数，我就可以得到不同的结果。而回调函数都是固定的。这就相当于将公共部分用回调函数来处理。而apply_async通过参数的传递得到了不同的结果。
在上面的回调函数中，回调函数只能处理传入的参数，无法访问其他变量。
为了让回调函数访问外部信息，有两种方法：1 使用一个绑定方法来代替一个简单函数
class ResultHandler:
def __init__(self):
self.sequence=0
def handler(self,result):
self.sequence+=1
print self.sequence,result
r=ResultHandler()
apply_async(add,(2,3),r.handler)
apply_async(add,(4,4),r.handler)
在这里首先创建类ResultHandler的实例，然后用handler来作为回调函数，这个时候就可以同步访问sequence这个变量
第二种方法就是使用闭包。
def make_handler():
sequence=0
def handler(result):
nonlocal sequence
sequence+=1
print sequence,result
return handler
hanlder=make_handler()
apply_async(add,(2,3),callback=hanlder)
注意nonlocal是在Python3.0才使用的。在2.x是没有这个关键字的。因此在2.x中要么使用全局变量，要么使用列表或者字典。如果使用变量，会报错。因此系统不知道这个变量是在哪引用的。
def make_handler():
sequence=[1]
def handler(result):
sequence[0]=2
print sequence,result
return handler
内联回调函数：
首先来看下functools中wrap修饰器的用法。首先来看下
def decorator_try(func):
def wrapper(*args,**kwargs):
print ‘call decorator_try‘
return func(*args,**kwargs)
return wrapper
@decorator_try
def example():
print ‘call example‘
if __name__==‘__main__‘:
example()
print example.__name__
结果如下：
E:\python2.7.11\python.exe E:/py_prj/python_cookbook/chapter5.py
call decorator_try
call example
wrapper
在这里example.__name__的结果是wrapper，而非example.也就是被修饰的函数的属性发生了改变。因为装饰器可以等效写成 example=decorator_try(example).而decorator_try的返回值是wrapper.因此example的属性也跟着变成了wrapper。要消除这样的影响，就要用到wraps
用wraps修饰一下wrapper后，得到的结果就是example
def decorator_try(func):
@wraps(func)
def wrapper(*args,**kwargs):
print ‘call decorator_try‘
return func(*args,**kwargs)
return wrapper
E:\python2.7.11\python.exe E:/py_prj/python_cookbook/chapter5.py
call decorator_try
call example
example
标签：报错 tor sync 基于 example [1] 实现 tool 地址
原文地址：http://www.cnblogs.com/zhanghongfeng/p/7151359.html
